1. 區域性感知 ： 通過在底層的區域性掃描獲得影象的區域性特徵，然後在高層綜合這些特徵獲取影象的全域性資訊。作用：降低引數的數目。

2.  權值共享  ： CNN中每個卷積核裡面的引數即權值，原始圖片卷積後會得到一副新的圖片，而新圖中的每個畫素都來自同一個卷積核，這就是權值共享。作用：進一步降低引數數目。

3.  多卷積核   ： 一個卷積核只能學習到影象的某一種特徵，而設定多個卷積核時，則可以學到多種特徵。每個卷積核也是通過學習得到的，那麼會不會多個卷積核學到的特徵相同呢！這就涉及到權值初始化的問題了！

4.   降維    ： 卷積層中設定stride本身就有降維的效果，但大多是通過池化層中的max-pooling方法進行特徵壓縮，提取主要特徵！

5.  多層次結構：將低層次的區域性特徵組合成為較高層次的特徵。不同層級的特徵可以對應不同任務。